CN113806172B - 一种处理设备状态参数的方法、装置、电子设备及存储介质 - Google Patents
一种处理设备状态参数的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113806172B CN113806172B CN202111075693.7A CN202111075693A CN113806172B CN 113806172 B CN113806172 B CN 113806172B CN 202111075693 A CN202111075693 A CN 202111075693A CN 113806172 B CN113806172 B CN 113806172B
- Authority
- CN
- China
- Prior art keywords
- state parameter
- parameter
- loss
- state
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 46
- 230000009467 reduction Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000036961 partial effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004043 dyeing Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000000329 molecular dynamics simulation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种处理设备状态参数的方法、装置、电子设备及存储介质，涉及人工智能领域，进一步涉及工业设备管理技术领域，以至少解决现有方案中对于关联设备状态的预测精度低下的技术问题。具体实现方案为：获取目标设备在第一时刻的第一状态参数；利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数，其中，目标神经网络模型使用多组数据通过机器学习训练得到，多组数据中的每组数据均包括：同一设备在不同时刻的状态参数；基于第二状态参数对目标设备进行状态监控和预测。
Description
技术领域
本公开涉及人工智能领域，进一步涉及工业设备管理技术领域，尤其涉及一种处理设备状态参数的方法、装置、电子设备及存储介质。
背景技术
随着物联网和边缘计算技术发展，越来越多工业企业开始重视数据底座的搭建和生产设备的综合管理，也进一步希望通过采集到的大量数据信息，实现生产自动化和智能化。在工业企业数据智能化的探索中，对关联设备状态进行预测是核心工作之一。
现有方案中，在对工业设备的状态进行监控时，需要人为录入数据，数据规范难以统一，且无法在线计算关联设备的数据，设备之间的关联性需要人工查找，进而影响对于关联设备状态的预测精度。
发明内容
本公开提供了一种处理设备状态参数的方法、装置、电子设备及存储介质，以至少解决现有方案中对于关联设备状态的预测精度低下的技术问题。
根据本公开的一方面，提供了种处理设备状态参数的方法，包括：获取目标设备在第一时刻的第一状态参数；利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数，其中，目标神经网络模型使用多组数据通过机器学习训练得到，多组数据中的每组数据均包括：同一设备在不同时刻的状态参数；基于第二状态参数对目标设备进行状态监控和预测。
根据本公开的又一方面，提供了种处理设备状态参数的装置，包括：获取模块，用于获取目标设备在第一时刻的第一状态参数；确定模块，用于利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数，其中，目标神经网络模型使用多组数据通过机器学习训练得到，多组数据中的每组数据均包括：同一设备在不同时刻的状态参数；处理模块，用于基于第二状态参数对目标设备进行状态监控和预测。
根据本公开的又一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提出的处理设备状态参数的方法。
根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提出的处理设备状态参数的方法。
根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行本公开提出的处理设备状态参数的方法。
在本公开中，通过获取目标设备在第一时刻的第一状态参数；利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数，其中，目标神经网络模型使用多组数据通过机器学习训练得到，多组数据中的每组数据均包括：同一设备在不同时刻的状态参数；基于第二状态参数对目标设备进行状态监控和预测，达到了基于目标设备在第一时刻的第一状态参数和目标神经网络模型对第二时刻的目标设备进行状态监控和预测的目的，实现了提升对于关联设备状态的预测精度的效果，从而解决了现有方案中对于关联设备状态的预测精度低下的技术问题。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的一种用于实现处理设备状态参数的方法的计算机终端(或移动设备)的硬件结构框图；
图2是根据本公开实施例的一种处理设备状态参数的方法流程图；
图3是根据本公开实施例的一种VSTDE模型的结构示意图；
图4是根据本公开实施例的一种处理设备状态参数的装置的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在工业企业数据智能化的探索中，对关联设备状态进行预测具有重要意义。其中，衡量设备状态的指标也有多种，例如，产品品质尤其注重达标率，设备能耗更关注平稳性和突变点等。
工业企业的设备状态通常有两个特点：多维度性和强关联性。对于设备状态的监控是多维度的，通常可以包括设备运行参数、生产过程的产品品质、设备能耗水平等，虽然这些状态指标的来源对象不同，但在物理逻辑和运行数据规律上都存在着极强的关联性。同时，设备状态之间是有着关联性的，也即不完全独立，如果设备独立地监控和预测，置信椭圆会过大，容易掩盖离群点，进而导致对设备状态的监控失效。
现有方案中一般采用以下三种方式对设备状态进行监控和预测：
方法一：降维。例如，采用主成分分析(Principal Component Analysis，PCA)、t-分布式随机邻居嵌入(t-distributed stochastic neighbor embedding，t-SNE)等方法进行降维。但是，这些降维方法没有考虑数据的时序依赖性，在解释状态预测结果时容易出现混淆。
方法二：传统时序算法能够挖掘序列在时间维度上的依赖性，但是缺乏对空间特征的理解，也难以降至低维空间来解释；而常见的机器学习模型，对数据独立性有一定要求，否则预测结果可能有一定偏误。虽然这两类模型相较于方法一的预测性能更好，但无法提供用于衡量状态差异或状态转移的指标，且低维空间对外是个“黑盒”，可解释性较差。
方法三：采用融合模型，例如，一种并行模型架构，使用深度时序模型Bi-LSTM等捕获序列的时间维度特征，使用图模型或图神经网络或卷积神经网络(ConvolutionalNeural Network，CNN)等捕获空间拓扑特征，再融合两种模型的学习结果。但是，这种融合模型的缺点在于难以将原始数据直接降到时空低维空间中加以解释，对数据信息的利用也相对有限。
现有方案均无法实现对于关联设备状态的及时监控和准确预测。
根据本公开实施例，提供了一种处理设备状态参数的方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本公开实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的电子设备中执行。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。图1示出了一种用于实现处理设备状态参数的方法的计算机终端(或移动设备)的硬件结构框图。
如图1所示，计算机终端100包括计算单元101，其可以根据存储在只读存储器(ROM)102中的计算机程序或者从存储单元108加载到随机访问存储器(RAM)103中的计算机程序，来执行各种适当的动作和处理。在RAM 103中，还可存储计算机终端100操作所需的各种程序和数据。计算单元101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
计算机终端100中的多个部件连接至I/O接口105，包括：输入单元106，例如键盘、鼠标等；输出单元107，例如各种类型的显示器、扬声器等；存储单元108，例如磁盘、光盘等；以及通信单元109，例如网卡、调制解调器、无线通信收发机等。通信单元109允许计算机终端100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元101执行本文所描述的处理设备状态参数的方法。例如，在一些实施例中，处理设备状态参数的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 102和/或通信单元109而被载入和/或安装到计算机终端100上。当计算机程序加载到RAM 103并由计算单元101执行时，可以执行本文描述的处理设备状态参数的方法的一个或多个步骤。备选地，在其他实施例中，计算单元101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行处理设备状态参数的方法。
本文中描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
此处需要说明的是，在一些可选实施例中，上述图1所示的电子设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述电子设备中的部件的类型。
在上述运行环境下，本公开提供了如图2所示的处理设备状态参数的方法，该方法可以由图1所示的计算机终端或者类似的电子设备执行。图2是根据本公开实施例提供的一种处理设备状态参数的方法流程图。如图2所示，该方法可以包括如下步骤：
步骤S20，获取目标设备在第一时刻的第一状态参数；
上述目标设备可以为工业场景中的工业设备，上述第一状态参数可以包括目标时间维度状态数据和空间维度状态数据。不同工业场景对应的目标设备在第一时刻的第一状态参数不同。
例如，在配电网场景中，由于电力具有瞬时和高频的属性，电力设备的第一状态参数中的空间维度状态数据包括继承关系、电气距离等。在印染厂染布场景中，由于染布所用蒸汽有明显惰性，染布设备的第一状态参数中的空间维度状态信息包括管网属性信息，例如，管网线路长度、管道材质、弯道数量、阀门类型等。
具体的，获取目标设备在第一时刻的第一状态参数的实现过程可以参照对于本公开实施例的进一步介绍，不予赘述。
步骤S22，利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数；
其中，目标神经网络模型使用多组数据通过机器学习训练得到，多组数据中的每组数据均包括：同一设备在不同时刻的状态参数。
上述目标神经网络模型包括第一部分网络模型和第二部分网络模型。其中，第一部分网络模型可以用于对第一状态参数进行降维处理，并对降维处理的结果进行重构处理；第二部分网络模型可以用于对重构处理的结构进行采样处理，并对采样处理的结果进行网络重建处理，进而确定目标设备在第二时刻的第二状态参数。
具体的，利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数的实现过程可以参照对于本公开实施例的进一步介绍，不予赘述。
步骤S24，基于第二状态参数对目标设备进行状态监控和预测。
根据本公开上述步骤S20至步骤S24，通过获取目标设备在第一时刻的第一状态参数；利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数，其中，目标神经网络模型使用多组数据通过机器学习训练得到，多组数据中的每组数据均包括：同一设备在不同时刻的状态参数；基于第二状态参数对目标设备进行状态监控和预测，达到了基于目标设备在第一时刻的第一状态参数和目标神经网络模型对第二时刻的目标设备进行状态监控和预测的目的，实现了提升对于关联设备状态的预测精度的效果，从而解决了现有方案中对于关联设备状态的预测精度低下的技术问题。
下面对上述实施例的处理设备状态参数的方法进行进一步介绍。
作为一种可选的实施方式，在步骤S20，获取目标设备在第一时刻的第一状态参数包括：
步骤S201，获取目标设备在第一时刻的时间维度状态数据和空间维度状态数据；
具体的，目标设备在第一时刻的时间维度状态数据可以包括实时的目标设备运行参数、目标设备生产产品品质和目标设备能耗水平。例如，目标设备运行参数可以包括轴承转速和压力、阀门开度等；目标设备生产产品品质可以包括产品的材质、纹路、颜色、尺寸、合格率等；目标设备能耗水平可以包括汽耗量、水耗量、电耗量、实时流量、温度、压力等。目标设备在第一时刻的空间维度状态数据可以包括静态的管网拓扑关系、管网属性信息等。
需要说明的是，目标设备在第一时刻的空间维度状态数据通常在同一工况下是统一的，也可以根据工业需求进行实时调整，本公开中的空间维度状态数据仅为一种示例，不予限制。
步骤S202，对时间维度状态数据和空间维度状态数据进行预处理，得到第一状态参数，其中，预处理包括：时间对齐处理、数据对齐处理。
具体的，时间对齐处理是指采数网关的时间校准和频率统一，主要依赖于时间维度状态数据。数据补齐处理是指通过数据运行规律对各类缺失值进行补齐，常用于网络或电力不稳定的情况下。数据补齐处理可以尽可能还原数据的分布，同时不影响后续的模型预测。
可选地，采用多重插补进行数据补齐处理。例如，同一产线中的目标设备的时间维度状态数据的相关性较强，适合做多重插补。如果目标设备在空间上不具备较强的联系，则其时间维度状态数据也很可能不具备相似的序列特征，例如波动率、平稳性、趋势和周期性等。
可选地，数据对齐处理中缺失值可以包括片状缺失和离散缺失。其中，片状缺失需要采用多重插补进行补齐，依赖的是不同序列数据之间的相关性；离散缺失可以通过多重插补补齐，也可以通过自身历史数据的统计特征进行补齐，例如使用历史数据的均值、中位数、上下四分位数的均值、众数、极值等。
作为一种可选的实施方式，目标神经网络模型包括：第一部分网络模型和第二部分网络模型。
例如，第一部分网络模型可以为推断网络(Inference Network)，第二部分网络模型可以为生成网络(Generative Network)。
在步骤S22，利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数包括：
步骤S221，利用第一部分网络模型对第一状态参数进行降维处理，得到降维结果，并对降维结果进行重构处理，得到重构结果；
步骤S222，利用第二部分网络模型对重构结果进行采样处理，得到采样结果，并对采样结果进行网络重建处理，得到第二状态参数。
作为一种可选的实施方式，本公开提出的处理设备状态参数的方法还包括：
步骤S26，基于第一状态参数、第二状态参数和第三状态参数确定模型损失，其中，第三状态参数是与第二状态参数对应的真实状态参数；
步骤S28，采用模型损失对初始神经网络模型进行迭代优化，得到目标神经网络模型。
作为一种可选的实施方式，在步骤S26，基于第一状态参数、第二状态参数和第三状态参数确定模型损失包括：
步骤S261，基于第一状态参数、第二状态参数和第三状态参数获取第一损失、第二损失和第三损失；
其中，第一损失为误差参数与相似度参数的和值，误差参数为第二状态参数和第三状态参数的均方误差，相似度参数为变分后验分布和先验分布之间的相似性，第二损失为时序自相关损失，第三损失为空间拓扑损失。
步骤S262，利用第一损失、第二损失和第三损失确定模型损失。
作为一种可选的实施方式，基于第一状态参数获取相似度参数包括：
步骤S2611，获取第一状态参数对应的第一采样参数，其中，第一采样参数为第一状态参数在目标维度的隐空间表示；
步骤S2612，采用第一采样参数计算得到相似度参数。
作为一种可选的实施方式，基于第一状态参数和第三状态参数获取第二损失包括：
步骤S2613，获取第一状态参数对应的第一采样参数和第三状态参数对应的第二采样参数，其中，第二采样参数为第三状态参数在目标维度的隐空间表示；
步骤S2614，采用第一采样参数和第二采样参数计算得到第二损失。
作为一种可选的实施方式，基于第二状态参数获取第三损失包括：
步骤S2615，基于空间拓扑信息确定目标权重，其中，目标权重用于确定不同设备之间的空间关联程度；
可选地，空间拓扑信息可以由预先建设的理论拓扑图中获取，也可以由实时调整的实际拓扑中获取。
上述目标权重可以替代性地描述为惩罚权重，用于衡量不同设备之间的空间关联程度。例如，在印染工艺流程中，惩罚权重可以包括管网线路距离、弯道数量、管道材质、阀门类型等，可视其有正向或负向作用。
步骤S2616，采用目标权重和第二状态参数计算得到第三损失。
作为一种可选的实施方式，第二时刻与第一时刻之间的时间差为自定义的滞后时间阶数，时间差用于调节目标设备在时间维度上的依赖关系。
下面以目标神经网络模型为变分时空动态编码器(Variational Spatial-Temporal Dynamics Encoder，VSTDE)模型为例，对利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数的实现过程进行介绍。
本公开提出的VSTDE模型是在变分自动编码器(Variational Auto-Encoder，VAE)模型和变分动态编码器(Variational Dynamics Encoder，VDE)模型基础上进行构建的。其中，VAE模型可以通过无监督推断网络将原始数据降至低维隐空间，并用其生成能力来生成或修复图像或文本等，在自然语言处理(Natural Language Processing，NLP)、语音、推荐算法等领域都有大量研究和应用成果。VDE模型本质上是VAE模型的一种变形，其引入了时序信息量，生成数据不再是同时刻下的虚拟仿真，而是对δ时点后的数据近似，提出的初衷是为了在分子动力学中捕获分子的非线性动态转移，模型具备良好的解释性和生成能力。也即，VDE模型学习了状态转移过程而非VAE模型中的自我重建过程
图3为根据本公开实施例的一种VSTDE模型的结构示意图，如图3所示，VSTDE模型中包括推断网络和生成网络，推断网络包括3个隐藏层，生成网络中包括3个隐藏层，每个隐藏层为用户自定义的深度神经网络(Deep Neural Network，DNN)，D*为第*产线/装置/设备、或某产线/装置/设备的第*个测点，VSTDE模型的实现过程如以下公式(1)所示：
在公式(1)中，p,q表示条件概率分布(probability distribution)；δ,δ≥1表示滞后时间阶数，能够根据实际需求进行自定义设置，用于调节关联设备在时间维度上的依赖关系；x(t)表示t时刻下的第一状态参数；表示生成的t+δ时刻下的第二状态参数；x(t+δ)表示t+δ时刻下的第三状态参数，其中，第三状态参数是与第二状态参数对应的真实状态参数；z(t)为第一采样参数；μ(·)函数和σ2(·)函数可用于结合高斯噪声干扰来重构隐空间；qφ(z(t)|x(t))是推断网络将t时刻下的第一状态参数x(t)进行降维处理，得到降维结果，即第一状态参数x(t)在目标维度的的隐空间表示z(t)，φ为降维参数；/>是生成网络将t时刻的隐空间表示z(t)在生成参数θ的作用下，按原始维度进行网络重建处理处理，得到t+δ时刻的第二状态参数/>第二状态参数/>可以结合第三状态参数x(t+δ)进行调优。
将原始数据拆分成N个批次(batch)，每批数据中包括有M个目标设备或测点对应的第一状态参数x(t)和第三状态参数x(t+δ)，通过推断网络的编码器计算第一状态参数的低维隐空间表示z(t)，即第一采样参数，第三状态参数的低维隐空间表示z(t+δ)，即第二采样参数，对时刻t下的z(t)，添加高斯噪声后得到通过生成网络的解码器算得时刻t+δ的第二状态参数/>
进一步的，基于第一状态参数x(t)、第二状态参数和第三状态参数x(t+δ)确定VSTDE模型的模型损失。
具体的，基于第一状态参数x(t)、第二状态参数和第三状态参数x(t+δ)确定VSTDE模型的第一损失Lreconstruction、第二损失Ltemporal和第三损失Lspatial。VSTDE模型的模型损失L的计算过程如以下公式(2)所示：
L＝Lreconstruction+Ltemporal+Lspatial 公式(2)
公式(2)中，第一损失Lreconstruction为误差参数与相似度参数的和值，误差参数为第二状态参数和第三状态参数x(t+δ)的均方误差，相似度参数为变分后验分布和先验分布之间的相似性，第二损失Ltemporal为时序自相关损失，第三损失Lspatial为空间拓扑损失。第一损失Lreconstruction的计算过程如以下公式(3)所示：
公式(3)中，可以表示第二状态参数/>和第三状态参数x(t +δ)的均方误差，/>可以表示相似度参数，其中相似度参数包括变分后验分布和先验分布之间的相似性。
获取第一状态参数x(t)对应的第一采样参数z(t)和第三状态参数x(t+δ)对应的第二采样参数z(t+δ)，其中，第二采样参数z(t+δ)为第三状态参数x(t+δ)在目标维度的隐空间表示，采用第一采样参数z(t)和第二采样参数z(t+δ)计算得到第二损失Ltemporal。第二损失Ltemporal的计算过程如以下公式(4)所示：
公式(4)中，计算第二损失Ltemporal时ρ(·)可以沿用VDE模型的自相关函数、稳健自相关函数等，δ为滞后时间阶数。例如，在推断网络中，可以基于μ(·)和σ2(·)的高斯噪声，给隐空间表示添加一定随机性，其中，高斯噪声参数可以通过模型训练学习获得。
基于空间拓扑信息确定目标权重W，采用目标权重W和第二状态参数计算得到第三损失Lspatial。第三损失Lspatial的计算过程如以下公式(5)所示：
公式(5)中，W为基于空间拓扑信息确定的目标权重，目标权重用于确定不同设备之间的空间关联程度，W的计算过程如以下公式(6)所示：
公式(6)中，Wp,p′表示的是设备p的距离权重，p′表示除p以外的设备，表示与p有直接连接关系的设备，例如，同一装置或产线等。dist(p,p′)是设备p与p′之间的“距离”测度，具体可以为有关设备连接的管网属性信息的函数，例如，在印染工艺流程中，此函数应随着管网线路距离的增长、弯道数量增多、管网材质普通等而变大，反之，则会变小，在其他工业情景中同理，不予赘述。
对于每批数据，依据损失函数L和网络结构，反向传播梯度信息，更新网络参数，使得损失函数计算值不断降低。
本公开提出的VSTDE模型的应用场景可以包括：
(1)通过低维隐空间表示进行状态评估：利用推断网络将原始数据用低维隐空间表示，通过t-SNE在二维或三维空间可视化，可以显式地看到关联设备在低维空间中的相对距离，也即了解到设备的自身状态和相对状态(可视化后，关联性强的点会聚在一个类簇里，而低维空间的每个点又映射着含有不同时空特征的原始数据点)。
(2)通过生成数据进行序列预测：利用生成网络的生成能力，对设备运行数据进行向前δ步的预测，用作生产水平参考。可近似预测模型的功能，辅助判断未来数据的分布区间。
(3)数据增强，隐空间表示可作为特征指标用于其他的建模需求。
具体的，VSTDE在实际生产中，能够辅助于工序优化、工况识别、生产安全、用能水平监控等工业需求场景。
由于工业企业中的设备状态，在时间和空间维度上都具有强关联性，本公开将这一特征融入到VSTDE模型中，可显著提高VSTDE模型的预测精度和有效性。
本公开通过获取目标设备在第一时刻的第一状态参数；利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数，其中，目标神经网络模型使用多组数据通过机器学习训练得到，多组数据中的每组数据均包括：同一设备在不同时刻的状态参数；基于第二状态参数对目标设备进行状态监控和预测，达到了基于目标设备在第一时刻的第一状态参数和目标神经网络模型对第二时刻的目标设备进行状态监控和预测的目的，实现了提升对于关联设备状态的预测精度的效果，从而解决了现有方案中对于关联设备状态的预测精度低下的技术问题。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本公开各个实施例所述的方法。
在本公开中还提供了一种处理设备状态参数的装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本公开其中一实施例的一种处理设备状态参数的装置的结构框图，如图4所示，一种处理设备状态参数的装置400包括：获取模块401，确定模块402，处理模块403。
获取模块401，用于获取目标设备在第一时刻的第一状态参数；
确定模块402，用于利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数，其中，目标神经网络模型使用多组数据通过机器学习训练得到，多组数据中的每组数据均包括：同一设备在不同时刻的状态参数；
处理模块403，用于基于第二状态参数对目标设备进行状态监控和预测。
可选地，获取模块401用于获取目标设备在第一时刻的第一状态参数包括：获取目标设备在第一时刻的时间维度状态数据和空间维度状态数据；对时间维度状态数据和空间维度状态数据进行预处理，得到第一状态参数，其中，预处理包括：时间对齐处理、数据对齐处理。
可选地，目标神经网络模型包括：第一部分网络模型和第二部分网络模型，确定模块402用于利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数包括：利用第一部分网络模型对第一状态参数进行降维处理，得到降维结果，并对降维结果进行重构处理，得到重构结果；利用第二部分网络模型对重构结果进行采样处理，得到采样结果，并对采样结果进行网络重建处理，得到第二状态参数。
可选地，确定模块402还用于基于第一状态参数、第二状态参数和第三状态参数确定模型损失，其中，第三状态参数是与第二状态参数对应的真实状态参数；处理设备状态参数的装置400还包括：优化模块404，用于采用模型损失对初始神经网络模型进行迭代优化，得到目标神经网络模型。
可选地，确定模块402用于基于第一状态参数、第二状态参数和第三状态参数确定模型损失包括：基于第一状态参数、第二状态参数和第三状态参数获取第一损失、第二损失和第三损失，其中，第一损失为误差参数与相似度参数的和值，误差参数为第二状态参数和第三状态参数的均方误差，相似度参数为变分后验分布和先验分布之间的相似性，第二损失为时序自相关损失，第三损失为空间拓扑损失；利用第一损失、第二损失和第三损失确定模型损失。
可选地，获取模块401还用于基于第一状态参数获取相似度参数包括：获取第一状态参数对应的第一采样参数，其中，第一采样参数为第一状态参数在目标维度的隐空间表示；采用第一采样参数计算得到相似度参数。
可选地，获取模块401还用于基于第一状态参数和第三状态参数获取第二损失包括：获取第一状态参数对应的第一采样参数和第三状态参数对应的第二采样参数，其中，第二采样参数为第三状态参数在目标维度的隐空间表示；采用第一采样参数和第二采样参数计算得到第二损失。
可选地，获取模块401还用于基于第二状态参数获取第三损失包括：基于空间拓扑信息确定目标权重，其中，目标权重用于确定不同设备之间的空间关联程度；采用目标权重和第二状态参数计算得到第三损失。
可选地，第二时刻与第一时刻之间的时间差为自定义的滞后时间阶数，时间差用于调节目标设备在时间维度上的依赖关系。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
根据本公开的实施例，本公开还提供了一种电子设备，包括存储器和至少一个处理器，该存储器中存储有计算机指令，该处理器被设置为运行计算机指令以执行上述任一项方法实施例中的步骤。
可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本公开中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取目标设备在第一时刻的第一状态参数；
S2，利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数；
S3，基于第二状态参数对目标设备进行状态监控和预测。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
根据本公开的实施例，本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该非瞬时计算机可读存储介质中存储有计算机指令，其中，该计算机指令被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取目标设备在第一时刻的第一状态参数；
S2，利用目标神经网络模型对第一状态参数进行分析，确定目标设备在第二时刻的第二状态参数；
S3，基于第二状态参数对目标设备进行状态监控和预测。
可选地，在本实施例中，上述非瞬时计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的实施例，本公开还提供了一种计算机程序产品。用于实施本公开的音频处理方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本公开所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM)、随机存取存储器(RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本公开的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。
Claims (9)
1.一种处理设备状态参数的方法，包括：
获取目标设备在第一时刻的第一状态参数；
利用目标神经网络模型中的第一部分网络模型对所述第一状态参数进行降维处理，得到降维结果，并对所述降维结果进行重构处理，得到重构结果；
利用所述目标神经网络模型中的第二部分网络模型对所述重构结果进行采样处理，得到采样结果，并对所述采样结果进行网络重建处理，得到所述目标设备在第二时刻的第二状态参数，其中，所述目标神经网络模型使用多组数据通过机器学习训练得到，所述多组数据中的每组数据均包括：同一设备在不同时刻的状态参数；
基于所述第二状态参数对所述目标设备进行状态监控和预测；
其中，所述方法还包括：
基于所述第一状态参数、所述第二状态参数和第三状态参数获取第一损失、第二损失和第三损失，其中，所述第一损失为误差参数与相似度参数的和值，所述误差参数为所述第二状态参数和第三状态参数的均方误差，所述相似度参数为变分后验分布和先验分布之间的相似性，所述第二损失为时序自相关损失，所述第三损失为空间拓扑损失，所述第三状态参数是与所述第二状态参数对应的真实状态参数；
利用所述第一损失、所述第二损失和所述第三损失确定模型损失；
采用所述模型损失对初始神经网络模型进行迭代优化，得到所述目标神经网络模型。
2.根据权利要求1所述的方法，其中，获取所述目标设备在所述第一时刻的所述第一状态参数包括：
获取所述目标设备在所述第一时刻的时间维度状态数据和空间维度状态数据；
对所述时间维度状态数据和所述空间维度状态数据进行预处理，得到所述第一状态参数，其中，所述预处理包括：时间对齐处理、数据对齐处理。
3.根据权利要求1所述的方法，其中，基于所述第一状态参数获取所述相似度参数包括：
获取所述第一状态参数对应的第一采样参数，其中，所述第一采样参数为所述第一状态参数在目标维度的隐空间表示；
采用所述第一采样参数计算得到所述相似度参数。
4.根据权利要求1所述的方法，其中，基于所述第一状态参数和所述第三状态参数获取所述第二损失包括：
获取所述第一状态参数对应的第一采样参数和所述第三状态参数对应的第二采样参数，其中，所述第二采样参数为所述第三状态参数在目标维度的隐空间表示；
采用所述第一采样参数和所述第二采样参数计算得到所述第二损失。
5.根据权利要求1所述的方法，其中，基于所述第二状态参数获取所述第三损失包括：
基于空间拓扑信息确定目标权重，其中，所述目标权重用于确定不同设备之间的空间关联程度；
采用所述目标权重和所述第二状态参数计算得到所述第三损失。
6.根据权利要求1所述的方法，其中，所述第二时刻与所述第一时刻之间的时间差为自定义的滞后时间阶数，所述时间差用于调节所述目标设备在时间维度上的依赖关系。
7.一种处理设备状态参数的装置，包括：
获取模块，用于获取目标设备在第一时刻的第一状态参数；
确定模块，用于：利用目标神经网络模型中的第一部分网络模型对所述第一状态参数进行降维处理，得到降维结果，并对所述降维结果进行重构处理，得到重构结果；利用所述目标神经网络模型中的第二部分网络模型对所述重构结果进行采样处理，得到采样结果，并对所述采样结果进行网络重建处理，得到所述目标设备在第二时刻的第二状态参数，其中，所述目标神经网络模型使用多组数据通过机器学习训练得到，所述多组数据中的每组数据均包括：同一设备在不同时刻的状态参数；
处理模块，用于基于所述第二状态参数对所述目标设备进行状态监控和预测；
其中，所述获取模块还用于基于所述第一状态参数、所述第二状态参数和第三状态参数获取第一损失、第二损失和第三损失，其中，所述第一损失为误差参数与相似度参数的和值，所述误差参数为所述第二状态参数和第三状态参数的均方误差，所述相似度参数为变分后验分布和先验分布之间的相似性，所述第二损失为时序自相关损失，所述第三损失为空间拓扑损失，所述第三状态参数是与所述第二状态参数对应的真实状态参数；
所述确定模块还用于利用所述第一损失、所述第二损失和所述第三损失确定模型损失；
所述装置还包括，优化模块，用于采用所述模型损失对初始神经网络模型进行迭代优化，得到所述目标神经网络模型。
8. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111075693.7A CN113806172B (zh) | 2021-09-14 | 2021-09-14 | 一种处理设备状态参数的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111075693.7A CN113806172B (zh) | 2021-09-14 | 2021-09-14 | 一种处理设备状态参数的方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113806172A CN113806172A (zh) | 2021-12-17 |
| CN113806172B true CN113806172B (zh) | 2024-02-06 |
Family
ID=78895320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111075693.7A Active CN113806172B (zh) | 2021-09-14 | 2021-09-14 | 一种处理设备状态参数的方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113806172B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019192172A1 (zh) * | 2018-04-04 | 2019-10-10 | 歌尔股份有限公司 | 一种姿态预测方法、装置和电子设备 |
| CN111860763A (zh) * | 2020-06-05 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 模型训练、参数预测方法和装置、电子设备及存储介质 |
| CN113191478A (zh) * | 2020-01-14 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 神经网络模型的训练方法、装置和*** |
-
2021
- 2021-09-14 CN CN202111075693.7A patent/CN113806172B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019192172A1 (zh) * | 2018-04-04 | 2019-10-10 | 歌尔股份有限公司 | 一种姿态预测方法、装置和电子设备 |
| CN113191478A (zh) * | 2020-01-14 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 神经网络模型的训练方法、装置和*** |
| CN111860763A (zh) * | 2020-06-05 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 模型训练、参数预测方法和装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Distributed parameter circuit model for transmission line;Jian Luo等;《 IEEE Xplore》;全文 * |
| 一种TensorFlow平台上目标意图识别模型设计与实现;李宁安;张剑;周倜;;舰船电子工程(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113806172A (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
| CN111091233B (zh) | 一种风电场短期风电预测建模方法 | |
| Zhang et al. | Energy theft detection in an edge data center using threshold-based abnormality detector | |
| Sundararajan et al. | Regression and generalized additive model to enhance the performance of photovoltaic power ensemble predictors | |
| CN113033780A (zh) | 一种基于双层注意力机制的云平台资源预测方法 | |
| CN113705809B (zh) | 一种数据预测模型训练方法、工业指标预测方法和装置 | |
| Liao et al. | Data-driven missing data imputation for wind farms using context encoder | |
| Wang et al. | Swarm Intelligence‐Based Hybrid Models for Short‐Term Power Load Prediction | |
| CN114528547A (zh) | 基于社区特征选择的icps无监督在线攻击检测方法和设备 | |
| Zhu et al. | A coupled model for dam foundation seepage behavior monitoring and forecasting based on variational mode decomposition and improved temporal convolutional network | |
| CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
| CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
| CN117131022B (zh) | 一种电力信息***的异构数据迁移方法 | |
| CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
| CN113806172B (zh) | 一种处理设备状态参数的方法、装置、电子设备及存储介质 | |
| CN117094431A (zh) | 一种多尺度熵门控的DWTformer气象数据时序预测方法及设备 | |
| CN116910049A (zh) | 基于mdan的电力负荷数据缺失值填充模型及其构建方法 | |
| Ye et al. | TS2V: A transformer-based Siamese network for representation learning of univariate time-series data | |
| Dai et al. | Multimodal deep learning water level forecasting model for multiscale drought alert in Feiyun River basin | |
| CN111353523A (zh) | 一种对铁路客户进行分类的方法 | |
| CN117992762B (zh) | 一种水冷式汽轮发电机定子绕组过热预警方法及装置 | |
| Liu et al. | Enhancing short-term wind power forecasting accuracy for reliable and safe integration into power systems: A gray relational analysis and optimized support vector regression machine approach | |
| CN114638555B (zh) | 基于多层正则化极限学习机的用电行为检测方法及*** | |
| Wang | Short-term Power Load Forecasting Based on Machine Learning | |
| Li et al. | A novel probabilistic framework with interpretability for generator coherency identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |